---
title: "Airbnb NY"
output:
flexdashboard::flex_dashboard:
orientation: columns
vertical_layout: fill
source_code: embed
---
```{r setup, include=FALSE}
###### Pacotes ######
library(flexdashboard)
library(tidyverse)
library(magick)
library(ggpubr)
###### Tratamento dos dados ######
dados <- read.csv('C:\\Users\\Matheus\\Desktop\\Processo Oper\\Banco de dados\\AirBnB-NY\\AB_NYC_2019.csv')
# Checando entradas NAs #
colSums(is.na(dados))
###### Plot mapa NY ######
# Salvando a imagem #
mapa <- magick::image_read("C:\\tmp\\NY_Map.png")
mapa_png <- magick::image_convert(mapa, format = 'png')
# Selecionando o banco de dados #
dados_mapa <- dados %>%
select(latitude, longitude, price) %>%
filter(price >= 100 & price <= 700)
# Plotando o mapa #
grafico_mapa <- ggplot(dados_mapa) +
background_image(mapa_png) +
geom_point(aes(longitude, latitude, color = price)) +
scale_color_gradient(low = "black", high = "red") +
labs(x = "Longitude", y = "Latitude", title = "Localização e preços\n",
subtitle = "Imóveis em NY", color = "Preço\n") +
theme(axis.title.x = element_text(size = 13), axis.title.y = element_text(size = 13),
plot.title = element_text(hjust = 0.5, color = "Darkgreen", size = 15),
plot.subtitle = element_text(hjust = 0.5))
###### Como a região do imóvel influencia seu preço? ######
# Ajustando o banco / retirando outliers #
preco_regiao <- dados %>%
select(price, neighbourhood_group) %>%
group_by(neighbourhood_group) %>%
filter(price <= 1000)
# Montando o gráfico
grafico_preco_regiao <- ggplot(data = preco_regiao) +
geom_violin(aes(neighbourhood_group, price, fill = neighbourhood_group)) +
labs(x = 'Bairros', y = 'Preço', title = "Distribuição de preços de apartamento por região\n",
color = "Bairros\n", fill = 'Bairros\n') +
theme(axis.text.x = element_blank(), axis.title.x = element_text(size = 13),
axis.text.y = element_text(size = 12), axis.title.y = element_text(size = 13),
plot.title = element_text(hjust = 0.5, color = 'Darkgreen'))
###### O cliente paga mais por imóveis frequentemente avaliados (confiabilidade no provedor do imóvel)? ######
# Filtrando o banco de dados #
reviews <- dados %>%
select(number_of_reviews, price) %>%
filter(number_of_reviews > 0 &
number_of_reviews <= 500) %>%
filter(price < 1000 & price > 0)
# Gráfico de Reviews #
graf_reviews <- ggplot(reviews) +
geom_line(aes(number_of_reviews, price, col = price)) +
labs(x = "Número de reviews por imóvel",
y = "Preço (U$)",
color = "Preço",
title = "Preço da segurança",
subtitle = "Imóveis frequentemente avaliados custam mais caro?") +
theme(axis.text.x = element_text(size = 12), axis.title.x = element_text(size = 13),
axis.text.y = element_text(size = 12), axis.title.y = element_text(size = 13),
plot.title = element_text(hjust = 0.5, color = "Darkgreen"),
plot.subtitle = element_text(hjust = 0.5))
```
# Gráficos
Column {data-width=500}
-----------------------------------------------------------------------
### Distribuição dos imóveis em Nova York
```{r}
grafico_mapa
```
Column {data-width=500}
-----------------------------------------------------------------------
### Perfil de preço do imóveis por região
```{r}
grafico_preco_regiao
```
### Como a confiança no provedor influencia no preço do imóvel?
```{r}
graf_reviews
```